YoloV8改进策略：BackBone改进DCNv4

最新推荐文章于 2024-07-02 11:17:54 发布
最新推荐文章于 2024-07-02 11:17:54 发布
阅读量277 收藏 1
点赞数
分类专栏： YOLO从入门到精通 日常报错+日常学习 文章标签： YOLO opencv python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_53545309/article/details/138584482
版权
通过引入DCNv4改进YoloV8，模型在mAP50上从0.986提升至0.993，mAP50-95从0.737提高到0.77。文章详细介绍了在Ubuntu22.04环境下，针对CUDA 12.1和Python 3.11的DCNv4编译安装过程，包括配置CUDAHOME、解决权限问题、安装ninja和编译DCNv4源码的步骤，对新手有一定挑战性。
摘要由CSDN通过智能技术生成

摘要

涨点效果：在我自己的数据集上，mAP50 由0.986涨到了0.993，mAP50-95由0.737涨到0.77，涨点明显！

DCNv4是可变形卷积的第四版，速度和v3相比有了大幅度的提升，但是环境搭建有一定的难度，对新手不太友好。如果在使用过程遇到编译的问题，请严格按照我写的环境配置。

YoloV8官方结果

YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 29/29 [
                   all        230       1412      0.922      0.957      0.986      0.737
                   c17        230        131      0.973      0.992      0.995      0.825
                    c5        230         68      0.945          1      0.995      0.836
            helicopter        230         43       0.96      0.907      0.951      0.607
                  c130        230
了解本专栏 订阅专栏 解锁全文
今夕是何年，
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
YOLOv9改进策略：卷积魔改 | DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测 | CVPR2024
03-23 1525
DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等
YOLOv8全网首发：DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测
01-18 3302
DCNv4更快收敛、更高速度、更高性能，完美和YOLOv8结合，助力涨点
YOLOv8改进 | 多位置替换可变形卷积（DCNv1、DCNv2、DCNv3）助力极限涨点
走向CTO的路上...
06-27 1040
可变形卷积（Deformable Convolutional Networks，DCN）是一种近年来兴起的卷积操作，其核心思想是通过学习偏移量来动态调整卷积核的位置，以提升模型的性能。本文将介绍如何在YOLOv8模型结构中添加多位置替换可变形卷积（DCNv1、DCNv2、DCNv3），以实现极限涨点。本文介绍了如何在YOLOv8模型结构中添加多位置替换可变形卷积（DCNv1、DCNv2、DCNv3），并对YOLOv8模型进行了部分改进。
YOLOv8算法改进【NO.99】引入最新发布Deformable Convolution v4 (DCNv4)
m0_70388905的博客
01-20 2552
引入2024年最新发布Deformable Convolution v4 (DCNv4)
【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-02 798
【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子
YOLOv8独家改进：一种更高效，更快的可变形卷积（DCNv4），解决DCNv3的局限性，速度提升3倍以上 | OpenGVLab/商汤等联合提出DCNv4 ,全部任务皆SOTA
会AI的学姐
01-19 996
DCNv4效果秒杀DCNv3、DCNv2等。
YOLOv8改进 | Conv篇 | 2024.1月最新成果可变形卷积DCNv4（适用检测、Seg、分类、Pose、OBB）
Snu77的博客
01-22 7792
本文给大家带来的改进机制是2024-1月的最新成果DCNv4，其是DCNv3的升级版本，效果可以说是在目前的卷积中名列前茅了，同时该卷积具有轻量化的效果！一个DCNv4参数量下降越15Wparameters左右，。它主要通过两个方面对前一版本DCNv3进行改进：首先，它移除了空间聚合中的softmax归一化，这样做增强了其动态特性和表达能力；其次，它优化了内存访问过程，以减少冗余操作，从而加快处理速度。
YOLOV5 改进实战项目【更换backbone为MobileNet】：大型海上图像目标检测数据集
03-19
基于YOLOV5【更换backbone为MobileNet】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、...
YOLOv8改进，融合Gold-YOLO Neck
11-06
4. **减少计算资源**：尽管提升了性能，但YOLOv8可能通过轻量级模块的设计，在计算资源消耗上保持在合理范围内，这对于资源有限的设备尤其重要。 综上所述，YOLOv8融合Gold-YOLO Neck的改进不仅增强了模型的检测...
YoloV8最新改进手册-高阶篇.pdf
06-19
- **改进策略**：将CoordConv技术应用于YOLOv8的Backbone和Neck部分，可以显著提高模型的空间感知能力。 #### Intel KernelWarehouse在YOLOv8中的应用 - **KernelWarehouse**：这是由Intel提供的一种高效参数存储...
tensorrtx 实现 yolov5 + dcnv2
03-20
将 yolov5x yaml backbone 前3层 conv 改成 dcnconv 参考 tensorrx yolov5 , 实现 tensorrt 推理。 backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 [-1, 1, DCN, [128, 3, ...
YOLOv8-Seg改进：一种更高效，更快的可变形卷积（DCNv4），解决DCNv3的局限性，速度提升3倍以上 | OpenGVLab/商汤等联合提出DCNv4 ,全部任务皆SOTA
会AI的学姐
01-19 586
DCNv4效果秒杀DCNv3、DCNv2等。
基于YOLOv8的暗光低光环境下（ExDark数据集）检测，加入多种优化方式---DCNv4结合SPPF ，助力自动驾驶（一）
02-06 4510
加入 DCNv4结合SPPFmAP@0.5由原始的0.682提升至0.694
YoloV8改进策略：Conv改进|DCNv4最新实践|高效涨点|多种改进教程|完整论文翻译
m0_47867638的博客
01-28 2072
在计算机视觉领域，关于卷积网络（ConvNets）和Transformer哪个性能更优越的争论一直在进行。近年来，具有注意力机制的大型视觉模型中的Transformer模型[12、25、44]取得了显著成果，显示出超越ConvNets的潜力。然而，诸如InternImage [38]和ConvNeXt [26]等最新研究工作表明，基于ConvNet的视觉模型在各种下游任务中仍保持稳健的性能、效率和简单性，并具有适当的归纳偏差[15、41]。值得注意的是，在图像生成等领域[29、31]，卷积仍然是首选方法。
YoloV8改进策略：Block改进|DCNv4最新实践|高效涨点|完整论文翻译
m0_47867638的博客
02-02 2885
在计算机视觉领域，关于卷积网络（ConvNets）和Transformer哪个性能更优越的争论一直在进行。近年来，具有注意力机制的大型视觉模型中的Transformer模型[12、25、44]取得了显著成果，显示出超越ConvNets的潜力。然而，诸如InternImage [38]和ConvNeXt [26]等最新研究工作表明，基于ConvNet的视觉模型在各种下游任务中仍保持稳健的性能、效率和简单性，并具有适当的归纳偏差[15、41]。值得注意的是，在图像生成等领域[29、31]，卷积仍然是首选方法。
YOLOv8原创改进：原创自研 | CVPR2024 DCNv4结合YOLOv9 SPPELAN二次创新
03-09 1008
CVPR2024 DCNv4结合YOLOv9 SPPELAN二次创新
YOLOv8全网首发：新一代高效可形变卷积DCNv4如何做二次创新？高效结合SPPF
01-20 1887
DCNv4更快收敛、更高速度、更高性能，与YOLOv8 SPPF高效结合
基于YOLOv8的NEU-DET钢材表面缺陷检测任务，加入DCNv4和SPPF结合DCNv4提升检测精度
01-21 2637
本文主要内容:通过实战NEU-DET钢材表面缺陷检测任务，验证DCNv4和SPPF结合DCNv4的可行性；实验结果表明：原始YOLOv8n map0.5为0.768，DCNv4为0.774，SPPF结合DCNv4为0.775
基于YOLOv8的暗光低光环境下（ExDark数据集）检测，加入多种优化方式---CVPR2024 DCNv4结合YOLOv9 SPPELAN二次创新，助力自动驾驶（三）
03-11 1909
加入 CVPR2024 DCNv4结合YOLOv9 SPPELANmAP@0.5由原始的0.682提升至0.685
YOLOv5改进详解：CSPDarkNet53、SPP与自适应策略
"这篇文档详细介绍了YOLOv5的改进思想和关键组件，包括不同的模型大小，如Yolov5s、Yolov5m、Yolov5l和Yolov5x，以及一系列技术优化，如CSPDarkNet53+Focus作为backbone，SPP+PAN在neck部分，还有自适应图片缩放、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值